《麻省理工学院公开课：人工智能》笔记四

《05 搜索： 最优，分支限界，A*》视频链接

【内容简介】

还是上一节课的地图，由这张地图引出了最短路径求解问题。利用了拓展列表（Extended List），可容许性启发Admissible heuristic（积累距离+直线距离）对分支限界法（Branch and Bound）进行了优化。以及讲解了使用可容许性启发的条件。

【笔记】

先强调一点：虽然我们用地图来解释搜索算法，但实际上 搜索是关于选择的，不是关于地图的。

还是这张地图，假设目前有人告诉你从S点移动到G点的最近的路线是：SADG，长度为11。你怎么确定这句话的正确性呢？

有一个简单且暴力的方式：我们利用 大英博物馆算法 得到所有的路径来进行比较，就可以知道答案。但问题是，简单的地图这么做还可以，稍微复杂一点的地图这种方式就不可行了。

可以利用分支限界法。

分支限界法（Branch and Bound）

分支限界法的目标是找出满足约束条件的一个解，或是在满足约束条件的解中找出在某种意义下的最优解。首先要确定的就是一个合理的限界函数，我们这里的约束条件就是距离最小。

从起点开始来向终点拓展，拓展结果用树来表示，如下：（因为此时的目的是为了验证S->A->D->G是最短的路径，所以我们在下面的拓展中会忽略这条路径）

1. 首先从S开始拓展，有两个点：A和B。已知SA的距离是3，SB的距离是5；因为3<5，所以先拓展A点
2. A点拓展有两个点：B和 D（忽略）。已知AB=4，所以S->A->B的距离就为7。又因为此时在树的拓展列表中，S->B的距离最小，所以接着拓展S->B
3. B点拓展有两个点：A和C。已知AB=4，所以S->B->A的距离就为9；同理S->B->C的距离也为9（距离一致时，按照字典顺序拓展）。此时在树的拓展列表中，S->A->B的距离最小，所以接着拓展S->A->B
4. B点拓展只有一个C点：S->A->B->C的距离=11，此时还没有到终点G。但是长度已经等于目前已知的最短路径长度，所以这条路我们就不在继续拓展了。（因为在拓展下去长度肯定就大于11了，我们的目的是验证S->A->D->G是最短的路径，所以就不必要了）
5. 那么接着拓展A点与C点，如图所示：由于S->B->A->D的长度为12，S->B->C->E的长度为15，均大于11（S->A->D->G最短的路径的长度），所以都没有拓展下去的必要了
6. 为此可以得出结论，S->A->D->G的确是最短的路径。
   
   但是在现实情况下，我们往往并不知道最短距离是多少。此时如何利用分支限界法呢？其实原理是一样的。还是拿下面这张图举例：首先因为SA < SB ，所以先拓展SA；然后因为SB < SAD < SAB，所以拓展SB；然后因为SBA = SBC < SAB < SAD，所以拓展SAD。当我们得到SADG这条路径时，我们的拓展就结束了吗？并没有，我们还要继续按照分支限界法拓展，直到证明SADG是最短路径即可。

整个的流程图如下：

优化分支限界法1：使用拓展列表

如上一节课的优化方式一样，为了解决路径重复考虑的问题，我们使用一个拓展列表来存储已经拓展过的路径。

假设还是使用分支限界法拓展地图时：当我们拓展S->A->B的B点时，我们已经在S->B时拓展过B点了，S->A->B即使在下面的拓展过程中能够到达终点，也会比在S->B的拓展过程中到达终点的距离长，所以S->A->B的B点我们就不再继续拓展了。这样就优化了算法。此时的算法流程图就为：

优化分支限界法2：可容许启发式

还是用下图来细说：我们这里是用的可容许启发式使用的是 积累距离+直线距离最短的路径优先拓展

• 首先在 分支限界法中的拓展思路是这样的：

首先从S开始拓展，有两个点：A和B。已知SA的距离是3，SB的距离是5；因为3<5，所以先拓展A点

• 而添加上可容许启发式的分支限界法中的拓展思路是这样的：

首先从S开始拓展，有：SA和SB。已知SA的距离是3，SB的距离是5；A 到G的直线距离是7+，B到G的直线距离是6。所以 S过A到G的距离下限就是10+， S过B到G的距离下限就是11。因为10+ < 11，所以优先拓展SA

按照上面的地图，添加上可容许启发式的分支限界法似乎并没有什么大的优化，但是如果我们把起点放到地图中间时， 如下图。可容许启发式就会发挥出大的功能（起码能规避掉算法朝左搜索）。

优化分支限界法3：A*算法

别担心，A*算法并不是一个新的算法，而是将上述两种优化同时加到分支限界法上而已。

那么这会是一种完美的搜索算法吗？记住这一点：搜索算法是关于选择的，不是关于地图的。在地图上，A* 算法是完美的，但是在非地图的选择问题中，想要完美的使用A* 算法还需要满足下面一点：

一致性：即 任一节点X和目标的估计距离 与 另一节点Y和目标的估计距离 的差 的绝对值 要 小于等于 X和Y之间的实际距离。